Embedding Empathy into Visual Analytics: A Framework for Person-Centred Dementia Care
针对痴呆症护理中数字工具缺乏同理心的问题，提出一个以同理心为中心的可视化框架，整合以人为本的护理原则与同理心映射，并通过可用性测试和用户体验问卷验证其可行性，以促进医患间更个性化和同理心的关系。
2025-09-10 cs.HC
Path-based Design Model for Constructing and Exploring Alternative Visualisations
本文提出一种基于路径的设计模型，通过flowpath骨架、gene存储和态射映射系统化生成多样化可视化，并展示了其在智能手表和仪表板上的应用。
2024-08-07 cs.HC
Morpes: A Model for Personalized Rendering of Web Content on Mobile Devices
随着信息通信领域的巨大增长，移动电话已经成为主要的信息通信设备。传统电话与移动设备中的现代网络使能通信的融合使得通信更加有效和简单。由于移动电话正在成为访问万维网内容的关键来源，万维网最初是为个人计算机设计的，这就提出了将Web内容容纳到较小移动设备中的新挑战。提出了一种在移动设备上建立网页渲染模型的方法。该模型是基于一个多维的网页段评价模型。在所提出的模型中加入个性化，使渲染以用户为中心。所提出的模型进行了验证与原型实现。
2012-03-16 cs.HC
MOBISPA: A Reference Framework for Mobile as a Personal Assistant
由于我们日益忙碌的生活方式，移动设备正在占据中心舞台，并成为通信各个方面的首选设备。因此，对执行日益复杂的行动的移动能力的需求也在增加。然而，尽管在过去几年中设备计算能力有所提高，但是移动终端仍然具有局限性。移动驱动的日常用例越来越多地提高了对仍在发展的移动技术的期望。已经创建了许多零散的方法和解决方案来满足移动性特有的各种需求，但是缺乏一个单一的框架来作为行业和解决方案架构的统一参考。本文件通过具体说明通用和供应商中立的流动综合参考框架来解决这一关切。
2015-07-23 cs.HC
Our Nudges, Our Selves: Tailoring Mobile User Engagement Using Personality
针对当前移动应用行为助推“一刀切”的问题，研究通过内嵌六种参与技术的AR应用HarrySpotter开展2周实验，发现用户对参与技术的偏好可预测大五人格特质，为个性化用户参与设计提供依据。
2023-07-24 cs.HC
Money Walks: A Human-Centric Study on the Economics of Personal Mobile Data
在大量收集个人身份信息（PII）的移动应用程序和个人数据的潜在市场的背景下，我们调查了以用户为中心的移动PII货币估值。在一个有60名参与者的现场实验室部署中进行的为期6周的用户研究期间，我们收集了他们对4类移动PII（通信，例如拨打/接听电话，应用程序，例如在不同应用程序上花费的时间，位置和媒体，拍摄的照片）的日常评估，这些评估分为三个复杂程度（单个数据点，汇总统计和处理，即对数据的有意义的解释）。为了获得诚实的估价，我们采用了反向第二价格拍卖机制。我们的研究结果表明，最敏感和最有价值的个人信息类别是位置。我们报告的实际移动使用，个人性格和投标行为之间的统计显着的关联。最后，我们概述了移动服务和个人数据的未来市场的设计的关键影响。
2014-07-10 cs.CY cs.HC
MIT App Inventor: Enabling Personal Mobile Computing
MIT App Inventor是一款拖放式可视化编程工具，用于设计和构建功能齐全的Android移动应用程序。App Inventor推动了个人移动计算的新时代，在这个时代，人们可以在无限独特的情况下，为日常生活设计、创建和使用个人有意义的移动技术解决方案。App Inventor直观的编程隐喻和增量开发功能使开发人员能够专注于应用程序编程的逻辑，而不是编码语言的语法，从而培养所有人的数字素养。自从它从谷歌转移到麻省理工学院以来，已经增加了一些改进，研究项目正在进行中。
2013-10-24 cs.CY cs.HC
Data@Hand: Fostering Visual Exploration of Personal Data on Smartphones Leveraging Speech and Touch Interaction
大多数移动健康应用程序使用数据可视化来帮助人们查看他们的健康和活动数据，但这些应用程序对可视化数据探索的支持有限。此外，尽管有巨大的潜在好处，但在个人数据环境中的移动可视化研究很少。这项工作旨在通过语音实现灵活的时间操作，使人们能够在智能手机上轻松导航和比较他们的个人健康数据。我们设计并开发了Data@Hand，这是一款移动应用程序，利用了两种互补模式的协同作用：语音和触摸。通过对13名Fitbit长期用户的探索性研究，我们研究了多模态交互如何帮助参与者探索自己的健康数据。参与者成功地采用了多模式互动（即，语音和触摸），以方便和流畅的数据探索。基于定量和定性的研究结果，我们讨论了多模态交互的设计意义和机会，以更好地支持移动设备上的视觉数据探索。
2021-01-15 cs.HC
The EnviroMapper Toolkit: an Input Physicalisation that Captures the Situated Experience of Environmental Comfort in Offices
针对传统办公室环境舒适度调研无法捕捉体验情境性的问题，研究开发了可记录体验时空信息的EnviroMapper数据物理化工具包，经两项真实办公场景研究验证其可用性，并提出四项核心贡献。
2025-03-21 cs.HC
I Want My App That Way: Reclaiming Sovereignty Over Personal Devices
移动应用程序中的暗模式利用了最终用户的认知偏见，可能会对人们的生活产生不利影响。尽管在确定暗模式补救措施方面的研究越来越多，并且为桌面浏览器建立了解决方案，但还没有建立减少移动应用程序中暗模式的方法。我们的工作介绍了GreaseDroid，一个社区驱动的应用程序修改框架，使非专家用户能够有选择地禁用应用程序中的暗模式。
2021-02-23 cs.HC
Evaluating Personal Assistants on Mobile devices
iPhone于2007年推出，但从根本上改变了我们与在线信息互动的方式。移动设备与传统的基于命令和点击的用户界面有着根本的不同，现在允许使用细粒度的触摸和滑动信号进行基于手势的交互。由于在移动设备上使用语音控制的智能个人助理的快速增长，例如微软的Cortana，Google Now和Apple的Siri，移动设备已经变得个性化，使我们能够随时在线，并帮助我们完成任何任务，无论是在工作中还是在日常生活中，使上下文成为考虑的关键因素。移动使用现在已经超过了桌面使用，并且仍在快速增长，但我们培训和评估个人助理的主要方式仍然基于（并框定在）经典的桌面交互，专注于显式查询，点击和停留时间。然而，由于具有基于手势和语音的控制的触摸屏以及变化的使用上下文，在汽车里，骑自行车，经常使今天的用户满意度评估的假设无效。迫切需要了解基于语音和手势的交互，以适当的方式考虑所有交互信号和上下文。我们提出了一个研究议程，开发方法来评估和提高上下文感知的用户满意度与移动交互使用基于手势的信号在规模。
2017-06-14 cs.HC cs.IR
Modeling Personality vs. Modeling Personalidad: In-the-wild Mobile Data Analysis in Five Countries Suggests Cultural Impact on Personality Models
从智能手机收集的传感器数据提供了被动推断用户个性特征的可能性。这些模型可用于实现技术个性化，同时有助于我们对人类行为在日常生活中的表现方式的实质性理解。人格建模的一个重大挑战是提高人格推断的准确性，然而，研究尚未评估和考虑用户居住国对模型可复制性的文化影响。我们收集了来自五个不同国家（英国，西班牙，哥伦比亚，秘鲁和智利）的166名参与者（54名女性和112名男性）的移动传感数据和自我报告的大五特质。我们开发了基于机器学习的人格模型，使用文化多样的数据集-代表不同的国家-我们表明，当在新的国家进行测试时，这些模型可以达到最先进的准确性，从63%（可接受性）到71%（外向性）的分类准确性。我们的研究结果表明，使用特定国家的数据集可以提高外向性，责任心和尽责性的分类准确率3%至7%。我们表明，这些发现无论数据集中的性别和年龄平衡如何都成立。有趣的是，使用性别或年龄平衡的数据集以及性别分离的数据集可以将性状预测提高高达17%。我们揭示了五个国家的人格模型差异，突出了最具预测性的数据类别（位置，噪音，解锁，加速度计），并为对被动人格评估感兴趣的技术专家和社会科学家提供了外卖。
2019-08-13 cs.CY cs.HC
When Simpler Data Does Not Imply Less Information: A Study of User Profiling Scenarios with Constrained View of Mobile HTTP(S) Traffic
智能手机采用率的指数级增长有助于获得大量的人类行为数据。这些数据使开发越来越准确的数据驱动的用户模型成为可能，这些模型有助于提供个性化服务，这些服务通常是免费的，以换取使用其客户数据。尽管这样的使用惯例已经引起了许多隐私问题，但是个人数据的不断增加的价值正在激励各种实体积极地收集和利用数据。在本文中，我们将围绕移动HTTP（S）流量展开分析场景，重点关注那些具有有限但有意义的数据段的场景。这些方案分析个人信息的能力是用真实的用户数据来检验的，这些数据是在野外从61个移动电话用户那里收集的，至少持续了30天。我们的研究试图对异质用户特征和兴趣进行建模，包括个性、无聊倾向、人口统计和购物兴趣。基于我们的建模结果，我们讨论了个性化，隐私和个人数据权利的各种影响。
2017-09-29 cs.CY cs.HC
Context-Aware Target Apps Selection and Recommendation for Enhancing Personal Mobile Assistants
University of Amsterdam（阿姆斯特丹大学）；University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；Università della Svizzera italiana (USI)（瑞士意大利语区大学）
用户在他们的智能手机上安装许多应用程序，从而引发了与用户信息过载和设备资源管理相关的问题。此外，最近个人助理的使用增加使得移动设备在用户的生活中更加普遍。本文讨论了两个研究问题，开发有效的个人移动助理是至关重要的：目标应用程序的选择和推荐。前者是统一移动搜索系统的关键组成部分：该系统以统一的访问模式解决用户对安装在其设备上的所有应用程序的信息需求。相反，后者预测用户想要启动的下一个应用程序。在这里，我们专注于上下文感知模型，以利用丰富的上下文信息提供给移动设备。我们设计了一个原位研究，收集数以千计的移动查询丰富的移动传感器数据（现在公开用于研究目的）。借助该数据集，我们研究了这些任务背景下的用户行为，并提出了一系列上下文感知神经模型，这些模型考虑了用户的顺序，时间和个人行为。我们研究了几种最先进的模型，并表明所提出的模型显着优于基线。
2021-01-09 cs.AI cs.HC cs.IR
Anonymous or not? Understanding the Factors Affecting Personal Mobile Data Disclosure
移动设备和社交媒体平台的广泛采用大大增加了个人信息的收集和共享。越来越多的情况下，用户被要求就其个人信息的披露做出决定。在这项研究中，我们调查了影响用户选择披露其个人数据的因素，不仅包括他们的人口统计和自我报告的个人特征，还包括他们的社交互动和从数月的移动电话数据活动中推断出的移动模式。我们报告了一项实地研究的结果，该研究对63名受试者进行了（i）智能手机和（ii）个人数据存储（PDS），使他们能够控制其数据的披露。我们通过PDS监控参与者的分享行为，并评估影响他们披露位置和社交互动数据选择的不同因素的贡献。我们的分析表明，无论数据类型如何，手机推断的社交互动都是揭示分享意愿的重要因素。此外，我们提供了进一步的见解的个人特质相关的预测分享行为。
2017-01-28 cs.CR cs.CY cs.HC
Personalised Recommendations in Mental Health Apps: The Impact of Autonomy and Data Sharing
最近，针对心理健康的数字干预措施的增长促使人们呼吁从用户的角度探索个性化建议的交付。在一项采用双向析因设计的随机安慰剂研究中，我们分析了自主用户体验与个性化指导之间的差异，包括用户的偏好和他们对心理健康应用程序的实际使用情况。此外，我们还通过并列调查问卷和移动传感器数据，探讨了用户在分享数据以接受个性化建议方面的偏好。有趣的是，自我报告的结果表明对个性化指导的偏好，而行为数据表明，自主选择和推荐活动的混合导致更高的参与度。此外，尽管用户报告说他们更喜欢填写问卷而不是分享他们的移动数据，但数据源对实际应用程序的使用没有任何影响。我们讨论了我们的研究结果的影响，并为心理健康应用程序的设计者提供外卖。
2021-01-21 cs.HC
Context Data Categories and Privacy Model for Mobile Data Collection Apps
来自不同领域的上下文感知应用程序，如移动健康，推荐系统和移动商务，可能会受益于了解用户的个性方面。由于填写个性问卷是繁琐的，我们提出了从智能手机传感器和使用数据预测用户的个性。为了收集数据以研究智能手机数据与个性之间的关系，我们开发了Android应用程序TYDR（跟踪您的日常生活），该应用程序跟踪智能手机数据并使用心理测量个性问卷。通过TYDR，我们跟踪的智能手机数据比现有的类似应用程序更多，包括通知的元数据，拍摄的照片和用户播放的音乐。对于TYDR的开发，我们引入了一个通用上下文数据模型，该模型由四个类别组成，这些类别侧重于用户与智能手机的不同类型的交互：物理条件和活动，设备状态和使用，核心功能使用和应用程序使用。除此之外，我们还专门为与移动数据收集相关的应用程序开发了隐私模型PM-MoDaC，其中包括九项拟议的隐私措施。我们在TYDR中介绍了所有这些措施的实施情况。虽然基于用户的智能手机的使用来利用用户的个性是一项具有挑战性的努力，但对于各种类型的上下文感知移动应用来说，这似乎是一种有前途的方法。
2018-07-04 cs.CY cs.HC
A Proposal To Support Wellbeing in People With Borderline Personality Disorder: Applying Reminiscent Theory in a Mobile App
在本文中，研究借鉴了用于治疗痴呆症的回忆疗法，作为一种应用理论，以促进情绪低落的人的幸福感。这里提出的应用程序旨在促进患有情绪障碍和痴呆症的人的健康，但可能用于增强许多类型用户的健康。预计使用该应用程序可以改善一组普遍存在严重情绪问题的用户的情绪。该研究旨在评估基于回忆的应用程序在促进边缘型人格障碍（BPD）患者健康方面的有效性。本研究的长期目标是建立回忆理论对痴呆症以外的用户组，特别是其他精神疾病的有效性。该研究倡导在设计过程中让最终用户参与进来，以告知和评估移动和平板电脑应用程序的开发。
2013-02-21 cs.CY cs.HC
Continuous Face Authentication on Mobile and Desktop Platforms: A Comparative Study
University of Applied Sciences Upper Austria（奥地利上奥地利应用科学大学）
该研究对比移动与桌面平台的连续人脸认证，采用基于InsightFace的带时间信任衰减方法，发现日常使用的人脸可见性问题更影响认证性能。
2026-08-04 cs.HC
Beyond Permissions: Investigating Mobile Personalization with Simulated Personas
Johns Hopkins University（约翰霍普金斯大学）；University of Notre Dame（诺特大学）；Northeastern University（东北ern大学）
本文提出一个使用传感器欺骗和角色模拟的沙盒系统，通过向Android设备注入多传感器配置文件并利用GPT-4 Vision进行UI摘要，审计和可视化移动应用对推断行为的个性化响应，为隐私增强技术提供基础。
2025-11-03 cs.AI cs.HC
MHealth: An Artificial Intelligence Oriented Mobile Application for Personal Healthcare Support
Suleyman Demirel University（苏莱曼·德米雷尔大学）
本研究的主要目的是介绍一个基于专家系统的移动健康应用程序，需要人工智能的支持，考虑以前介绍的解决方案，从文献和采用可能的要求，一个更好的解决方案。由于这项研究，设计开发了一个具有人工智能支持并针对日常生活中常见的健康问题提供动态支持的移动软件系统，并通过调查和基于诊断的评估任务对其进行了评估。评价任务表明移动保健系统取得了积极成果。
2021-08-18 cs.AI cs.HC cs.LG
PAL: A Wearable Platform for Real-time, Personalized and Context-Aware Health and Cognition Support
个性化主动学习器（PAL）是一种可穿戴系统，用于实时的【形】、个性化和情境感知的健康和认知支持。PAL的系统由可穿戴设备、移动应用程序、云数据库、数据可视化Web应用程序和机器学习服务器组成。PAL的可穿戴设备使用多模态传感器（摄像头、麦克风、心率），具有设备上的机器学习和开放式耳机音频输出，以提供实时的【形】情境感知认知、行为和心理干预。PAL还允许用户跟踪他们的活动和生理状态之间的长期相关性，以做出明智的生活方式决定。在本文中，我们提出并开源PAL的系统，以便人们可以使用它的健康和认知支持应用程序。我们还开源了三个完全开发的示例应用程序，使用PAL进行基于面部的记忆增强，上下文语言学习和基于心率的心理支持。PAL灵活、模块化和可扩展的平台结合了数据驱动医学、移动心理学和认知增强的趋势，以支持数据驱动和增强健康和认知应用。
2019-05-03 cs.HC
Challenges in Mobile Multi-Device Ecosystems
从桌面、第二屏幕到千兆像素显示墙的协调多显示器环境越来越普遍。诸如盔装显示器、智能手表、智能手机和平板电脑之类的个人和私密移动和可穿戴设备很少是这种多设备生态系统的一部分。通过本文，我们有助于更好地了解阻碍创建和使用这种移动多设备生态系统的因素。我们的研究结果基于文献研究和专家调查。具体来说，我们提出了与移动多设备环境的设计，开发和使用相关的接地挑战。
2016-05-25 cs.HC
Context-Aware Intelligent Chatbot Framework Leveraging Mobile Sensing
Nankai University（南开大学）；Tsinghua University（清华大学）；Deakin University（迪肯大学）
本文提出一种结合移动感知与大语言模型的智能聊天机器人框架，通过抽象用户行为数据提升对话个性化与上下文相关性。
2025-12-26 cs.HC
A Context Model for Personal Data Streams
我们提出了一个人的情境背景模型，并展示了它如何用于组织，因此，对传感器数据和注释的大量流的原因，因为它们可以从移动设备，例如智能手机，智能手表或健身追踪器收集。该模型在一个非常大的数据集上进行了验证，该数据集是关于158人在四周内每天24小时的日常生活。
2022-06-21 cs.HC
Personalized Understanding of Blood Glucose Dynamics via Mobile Sensor Data
New York University（纽约大学）
连续血糖（CGM）监测仪彻底改变了糖尿病患者管理血糖的能力，并为人工胰腺系统铺平了道路。在本文中，我们用智能手机收集的传感器输入来增强CGM数据，并将其用于为患者和临床医生提供分析工具。我们使用自定义iOS应用程序收集了一名自由生活的1型糖尿病患者在9个月内的GPS数据、活动分类和血糖数据。该数据集在其大小、包含GPS数据以及从自由生活的患者非侵入性地收集的事实方面是新颖的。我们描述了一种方法来衡量发生的生活方式\textit{events}的基础上GPS和活动数据，并表明，他们可以捕获的情况下，食物消费，因此与血糖的变化。最后，我们将这些事件表示纳入我们的系统，以创建有用的可视化和通知，以帮助患者管理他们的糖尿病。
2023-02-02 cs.HC cs.LG
AttenTrack: Mobile User Attention Awareness Based on Context and External Distractions
针对现有移动注意力感知系统依赖可穿戴设备或个性化数据、扩展性与跨场景适配性不足的问题，提出轻量隐私友好、具备强冷启动能力的AttenTrack模型，还构建并将发布相关细粒度数据集。
2025-09-01 cs.HC
FingerTip 20K: A Benchmark for Proactive and Personalized Mobile LLM Agents
本文提出FingerTip 20K基准测试，通过收集20000个真实用户多步骤Android交互演示，评估主动任务建议和个性化任务执行的挑战，展示基于用户信息的移动LLM代理的潜力。
2026-03-16 cs.AI cs.HC
A Survey of Privacy Vulnerabilities of Mobile Device Sensors
到2022年，智能手机和智能手表等移动设备的数量将无情地增加到近68亿台，随之而来的是它们捕获的个人和敏感数据量。这项调查概述了什么样的个人和敏感的用户属性可以从移动终端传感器提取的艺术状态，强调关键方面，如人口统计，健康和身体特征，活动和行为识别等。此外，我们回顾流行的指标在文献中量化的隐私程度，并讨论强大的隐私方法，以保护敏感数据，同时保留数据实用程序进行分析。最后，提出了有待进一步研究的问题.
2021-06-18 cs.CR cs.HC
From Personalized Medicine to Population Health: A Survey of mHealth Sensing Techniques
Baidu Research（百度研究院）；University of Virginia（弗吉尼亚大学）；Peking University（北京大学）；Beijing University of Posts and Telecommunications（北京邮电大学）
移动传感应用程序已被广泛用作收集个人行为和健康相关信息的实用方法，并提供及时干预，以促进健康和福祉，例如心理健康和慢性护理。由于移动传感的目标可以是\emph{(a) personalized medicine for individuals}或\emph{(b) public health for populations}，在这项工作中，我们审查了这些移动传感应用程序的设计，并建议将这些应用程序/系统的设计分为两种范式-- \emph{(i) Personal Sensing}和\emph{(ii) Crowd Sensing}范式。虽然这两种传感模式可能与常见的无处不在的传感技术，如可穿戴传感器，移动监控，移动数据卸载，和/或基于云的数据分析，以收集和处理来自个人的传感数据，我们提出了一种新的分类系统，其中有两个主要组成部分，可以指定和分类的应用程序/系统的生命周期的mHealth传感：\emph{(1) Sensing Task Creation \& Participation}，\emph{(2) Health Surveillance \& Data Collection}，和\emph{(3) Data Analysis \& Knowledge Discovery}。针对这两种范式的不同目标，本文系统地回顾了这一领域，并从这两个组件的配置和交互的角度总结了典型应用/…
2022-05-16 cs.CY cs.HC cs.LG
Context-aware adaptation of mobile video decoding resolution
虽然移动计算的发展正在经历相当大的增长，但它同时受到电池技术的限制的严重威胁，电池技术的限制跟不上移动应用的能量需求的不断增长。一种降低移动应用程序能源需求的新方法来自近似计算领域，该领域提出了以受控方式牺牲计算精度以实现更高节能的技术。基于这一理念，我们提出了一个上下文感知的移动视频质量适应，减少了视频播放所需的能量，同时确保用户的质量期望相对于移动视频得到满足。我们确认，解码分辨率可以发挥重要的作用，在降低整体功耗的移动终端和进行两个用户研究，以调查如何在其中播放视频的上下文，其内容，和用户的个性，调制用户的质量期望。我们发现，用户的身体活动，视频的空间/时间属性，和用户的个性特征相互作用，并共同影响最小可接受的播放分辨率，为上下文自适应近似移动计算铺平了道路。
2022-02-20 cs.HC cs.MM
A Natural Language Query Interface for Searching Personal Information on Smartwatches
Dartmouth College（达特茅斯学院）；Liverpool John Moore University（利物浦约翰摩尔斯大学）；Vienna University of Technology（维也纳工业大学）；University of Vienna（维也纳大学）；University of California, Riverside（加州大学河滨分校）
目前，个人助理系统在智能手机上运行并使用自然语言界面。然而，这些系统主要依赖于网络来查找信息。移动和可穿戴设备可以收集大量的个人数据，如睡眠和身体活动。这些信息客体及其应用被称为量化自我、移动健康或个人信息学，它们可以用来更深入地了解我们的行为。据我们所知，现有的个人助理系统不支持所有类型的量化自我查询。针对这一点，我们进行了一项用户研究，以分析一组“文本问题/查询”，用户使用这些问题/查询来搜索他们的量化自我或移动健康数据。通过对这些问题的分析，我们构建了一个轻量级的基于自然语言的查询接口，包括文本解析算法和用户界面，用于处理用户对量化自我信息的查询。该查询接口被设计为在小型设备（即智能手表）上操作，以及通过允许个人助理系统处理终端用户关于其量化的自身数据的自然语言查询来增强个人助理系统。
2016-11-22 cs.CL cs.HC cs.IR
Exploring Mobile Touch Interaction with Large Language Models
University of Bayreuth（拜罗伊特大学）
针对移动设备文本编辑需切换LLM界面的问题，提出直接在文本上通过触摸手势控制LLM的方法，探索两种控制映射及三种反馈设计，用户研究证明其可行性，为手势交互研究奠基。
2025-02-11 cs.CL cs.HC
Accessibility Recommendations for Designing Better Mobile Application User Interfaces for Seniors
针对老年人移动应用可访问性不足的问题，通过两次焦点小组研究（共38名老年人）得出用户画像，开发模型驱动工具集生成适配原型并验证，最终提出细化画像与可访问性建议以助力包容性设计。
2025-04-17 cs.HC cs.SE
Mobile App Privacy in Software Engineering Research: A Systematic Mapping Study
移动应用程序（app）已经变得非常个人化，不断要求访问隐私敏感信息，以换取更个性化的用户体验。这种侵犯隐私的做法在应用程序用户中产生了重大的多维和非常规隐私问题。为了解决这些问题，在过去十年中，对移动应用程序隐私的研究经历了快速增长。总的来说，这一系列研究旨在系统地揭露应用程序的隐私做法，并提出保护移动应用程序用户隐私的解决方案。在这篇调查论文中，我们对54项软件工程（SE）关于移动应用隐私的主要研究进行了系统的映射研究。我们的目标是a）探索SE应用程序隐私研究的趋势，b）对现有证据进行分类，c）确定未来研究的潜在方向。我们的研究结果表明，现有的文献可以分为四个主要类别：隐私政策，要求，用户的角度来看，泄漏检测。此外，我们的调查揭示了这些类别之间的不平衡;大多数现有的研究集中在提出检测隐私泄露的工具，针对隐私要求和政策的研究较少，更少的是从用户的角度。最后，我们的调查暴露了现有研究中的一些差距，并提出了改进的领域。
2019-10-08 cs.HC cs.SE
Don't Peek at My Chart: Privacy-preserving Visualization for Mobile Devices
针对移动设备可视化易被旁人偷看导致隐私泄露的问题，提出一种基于人类视觉感知的掩蔽方案，通过调整空间频率和亮度对比度，使图表近距离可读而远距离不可见，有效保护隐私。
2023-05-21 cs.CR cs.HC
PersonaAI: Leveraging Retrieval-Augmented Generation and Personalized Context for AI-Driven Digital Avatars
Iowa State University（爱荷华州立大学）
本研究提出PersonaAI应用，结合RAG与提示优化的LLAMA3构建个性化数字人，通过移动应用实时采集数据保障上下文相关性与隐私，提供轻量可持续的LLM训练替代方案并开源，推动数字人领域发展。
2025-01-03 cs.AI cs.HC
Personality is Revealed During Weekends: Towards Data Minimisation for Smartphone Based Personality Classification
以前的文献已经探索了使用智能手机数据的自动个性建模，以实现个性化移动服务的潜力。虽然被动的个性建模消除了填写冗长问卷的负担，但这种模型通常需要几周或几个月的个人数据，这可能会对用户的参与产生负面影响。在本研究中，我们探讨了在人格分类的背景下减少数据汇集时间的可行性。我们发现，只有一到两个周末就足以达到66%到71%的最先进的准确率，用于对五种人格特质进行分类。这些结果为实践“数据最小化”--隐私法的一项关键原则--提供了经验教训。
2019-07-29 cs.CY cs.HC
Jagarin: A Three-Layer Architecture for Hibernating Personal Duty Agents on Mobile
Independent Researcher（独立研究者）
Jagarin通过三层架构解决移动设备上个人责任代理的休眠与唤醒问题，利用启发式引擎、身份代理和协议框架实现高效的责任管理。
2026-09-28 cs.AI cs.HC cs.MA
Comparative Study of AR Versus Image and Video for Exercise Learning
在健身中使用移动增强现实（AR）的关注不够，尽管移动AR易于使用，不需要额外的成本，并且可以成为强大的学习工具。在这项工作中，我们提出了一个移动AR应用程序，可以帮助用户学习练习与虚拟私人教练。我们进行了一项有10名参与者的用户研究，以调查ARFit的学习质量（即，所提出的移动AR应用）与传统方法（例如基于图像的学习和基于视频的学习）相比。我们的研究结果表明，参与者使用移动AR进行运动的学习质量高于（1）在所有选定的运动中进行基于图像的学习，以及（2）需要更多空间知识的基于视频的运动学习，并由合格的私人教练进行评估。此外，ARFit在可用性方面的评级极佳，被认为是高度可接受的，是大多数参与者（N=9）首选的运动学习方法。
2022-09-05 cs.HC cs.MM
StudyMe: A New Mobile App for User-Centric N-of-1 Trials
Hasso Plattner Institute for Digital Engineering, University of Potsdam（波茨坦大学哈索·普拉特纳数字工程研究所）；Icahn School of Medicine at Mount Sinai（西奈山伊坎医学院）
N-of-1试验是多交叉自我实验，允许个人系统地评估干预措施对其个人健康目标的影响。虽然存在用于N-of-1试验的几种工具，但没有一种支持非专家进行自己的以用户为中心的试验。在这项研究中，我们提出了StudyMe，一个开源的移动应用程序，可以从https://play.google.com/store/apps/details?免费获得id= health.studyu.me，并为用户提供配置其试验的每个组件的灵活性和指导。我们还提出了研究，通知StudyMe的发展。通过对272名参与者的初步调查，我们了解到，个人对各种个人健康方面感兴趣，并对如何改善这些方面有独特的想法。在一个迭代的、以用户为中心的开发过程中，我们开发了StudyMe，它还具有一个教育部分，用于传达N-of-1试验概念。StudyMe的最终实证评估显示，所有参与者都能够使用StudyMe成功创建自己的试验，并且该应用程序获得了非常好的可用性评级。我们的研究结果表明，StudyMe提供了一个重要的一步，使个人能够应用系统的科学为导向的方法，个性化的健康相关的干预措施和行为修改在他们的日常生活。
2021-07-31 cs.AI cs.HC
MARVisT: Authoring Glyph-based Visualization in Mobile Augmented Reality
本文提出移动 AR 创作工具 MARVisT，通过现实信息辅助非专家绑定数据、真实对象与虚拟字形，以快速创建基于字形的 AR 可视化，并用示例和用户研究验证其效果。
2024-05-10 cs.GR cs.HC
MobileAgent: enhancing mobile control via human-machine interaction and SOP integration
Ant Group（蚂蚁集团）
MobileAgent通过设计人机交互任务识别敏感信息并集成SOP信息到上下文学习中，在AitW基准上以66.92%的动作成功率实现了无需额外推理成本的最先进移动设备控制性能。
2024-01-17 cs.AI cs.HC
Never Start from Scratch: Expediting On-Device LLM Personalization via Explainable Model Selection
University of Pittsburgh（匹兹堡大学）
针对端侧 LLM 个性化受限于算力和个人数据的问题，提出 XPerT，通过可解释性选择已个性化模型再微调，显著降低计算成本并提升数据效率。
2025-04-15 cs.AI cs.CL cs.HC
Exposures Exposed: A Measurement and User Study to Assess Mobile Data Privacy in Context
移动设备可以访问个人的、潜在的敏感数据，并且有大量移动应用程序和第三方库可以通过网络将这些信息传输到远程服务器（包括应用程序开发人员服务器和第三方服务器）。在本文中，我们不仅希望更好地了解个人身份信息（PII）暴露的程度，而且还希望了解其背景，即，应用程序的功能、目标服务器、使用的加密等）以及当今移动用户所感知的风险。为此，我们采取两个步骤。首先，我们进行测量研究：我们通过手动和自动测试收集新的数据集，并从400个最受欢迎的Android应用程序中捕获16种PII类型的暴露情况。我们分析这些风险，并深入了解移动应用程序共享PII的程度和模式，以便日后用于预测和预防。其次，我们对Amazon Mechanical Turk上的220名参与者进行了用户研究：我们按类别总结了测量研究的结果，在现实环境中呈现它们，并评估用户的理解，关注和采取行动的意愿。据我们所知，我们的用户研究是第一个以如此精细的粒度收集和分析用户输入以及移动设备上的实际（而不仅仅是潜在或允许的）隐私暴露的用户研究。尽管许多用户最初并不了解其PII被暴露的全部影响，但在通过研究获得更好的信息后，他们对更好的隐私实践表示赞赏和兴趣。
2022-06-06 cs.CR cs.HC cs.NI
Personalized Image-based User Authentication using Wearable Cameras
个人设备（例如，笔记本电脑、平板电脑和移动电话）在日常生活中是常规的，并且具有存储用户的私人数据的能力。与这些设备相关的安全问题已成为用户和研究人员的主要关注点。在本文中，我们分析了第一人称视角的视频开发个性化的用户认证机制。我们提出的算法生成临时图像为基础的密码，有利于各种用途，如解锁移动终端或回退认证。首先，从自我中心的视频中提取代表性帧。然后，它们被分成可区分的片段之前，聚类过程被应用到丢弃重复的场景。整个过程旨在保留令人难忘的图像，以形成认证挑战。我们整合眼动追踪数据，以选择信息序列的视频帧，并建议一个基于模糊的方法，如果一个面向眼睛的相机是不可用的。为了评估我们的系统，我们在不同的设置，包括对象交互活动和旅行的情况下进行实验。即使我们的机制产生可变的图形密码，用户的登录工作是基于静态挑战的方法相媲美。我们验证了在随机和知情的攻击者熟悉环境的情况下的身份验证挑战，并观察到所需的时间和尝试次数明显高于合法用户，从而有可能检测到对身份验证系统的攻击。
2017-03-29 cs.CR cs.CY cs.HC
Mobile Augmented Reality: User Interfaces, Frameworks, and Intelligence
University of Oulu（奥卢大学）；The Hong Kong University of Science and Technology（香港科技大学）；KAIST（韩国科学技术院）；University of Helsinki（赫尔辛基大学）；Norwegian University of Science and Technology（挪威科技大学）
移动增强现实（MAR）将计算机生成的虚拟对象与移动设备的物理环境相集成。MAR系统使用户能够与MAR设备（如智能手机和头戴式可穿戴设备）进行交互，并执行从物理世界到具有数字实体的混合世界的无缝过渡。这些MAR系统通过使用MAR设备提供对数字内容的通用可访问性来支持用户体验。在过去的20年中，许多MAR系统已经开发出来，但尚未从以用户为中心的设计角度对MAR框架的研究和设计进行系统的回顾。本文介绍了调查现有MAR框架的第一次努力（count：37）并通过自上而下的方法进一步讨论了关于MAR的最新研究：1）MAR应用; 2）自适应于用户移动性和上下文的MAR可视化技术; 3）MAR框架的系统评估，包括支持的平台和相应的特征，例如跟踪、特征提取加上感测能力;以及4）支持MAR系统内的智能操作的底层机器学习方法。最后，我们总结了新兴研究领域的发展，目前的最先进的，并讨论了重要的开放挑战和可能的理论和技术方向。这项调查旨在使研究人员和MAR系统开发人员都受益。
2021-06-16 cs.AI cs.CV cs.CY
ProtoSound: A Personalized and Scalable Sound Recognition System for Deaf and Hard-of-Hearing Users
University of Washington（华盛顿大学）；Google（谷歌）；Google Research（谷歌研究院）
最近的进展已经使移动设备上的聋人和听力困难（DHH）用户能够使用自动声音识别系统。然而，这些工具使用预先训练的通用声音识别模型，无法满足DHH用户的各种需求。我们介绍ProtoSound，一个交互式系统，通过记录一些例子来定制声音识别模型，从而实现个性化和细粒度的类别。ProtoSound的动机是以前的工作检查DHH的人的声音意识的需求，并通过我们与472 DHH参与者进行了调查。为了评估ProtoSound，我们在两个真实世界的声音数据集上表征了性能，显示出比最先进的显着改进（例如，第一个数据集的准确率为+9.7%）。然后，我们通过移动应用程序部署了ProtoSound的最终用户培训和实时识别，并招募了19名听力参与者，他们聆听了真实世界的声音，并对56个地点的准确性进行了评级（例如，家庭、餐馆、公园）。结果表明，ProtoSound可以实时个性化设备上的模型，并在不同的声学环境中准确地学习声音。最后，我们讨论了个性化声音识别方面的挑战，包括需要更好的录音界面和算法改进。
2022-02-22 cs.HC cs.LG cs.SD
Learning Language and Multimodal Privacy-Preserving Markers of Mood from Mobile Data
Carnegie Mellon University（卡内基梅隆大学）；University of Oregon（俄勒冈大学）；Columbia University（哥伦比亚大学）；University of Pittsburgh（匹兹堡大学）
即使在普遍能够获得先进医疗服务的国家，精神健康状况仍然诊断不足。从容易收集的数据中准确有效地预测情绪的能力对心理健康障碍的早期检测，干预和治疗有几个重要的意义。一个有前途的数据源，以帮助监测人类行为是日常智能手机的使用。但是，必须注意在不通过个人（例如，个人可识别信息）或受保护（例如，种族、性别）属性。在本文中，我们研究了日常情绪的行为标记，使用最近的数据集的移动行为，从青少年人群的自杀行为的高风险。使用计算模型，我们发现移动输入文本的语言和多模态表示（跨越输入字符，单词，浏览时间和应用程序使用）可以预测日常情绪。然而，我们发现，经过训练以预测情绪的模型通常也会在其中间表示中捕获私人用户身份。为了解决这个问题，我们评估了在保持预测性的同时混淆用户身份的方法。通过将多模态表示与隐私保护学习相结合，我们能够推进性能隐私边界。
2021-06-24 cs.AI cs.CL cs.HC
